关键词： 机器视觉   无人机   目标跟踪   模板更新   深度网络  

摘要： 无人机已被广泛应用在军事和民用领域,目标跟踪是无人机应用的关键技术之一。针对无人机目标跟踪中目标易发生形变、遮挡、尺度变化以及环境复杂等问题,提出一种基于自适应模板更新的Transformer无人机目标跟踪算法。首先,基于改进非对称注意力机制构建Transformer骨干网络,有效提取了图像特征并增强了特征对目标的表达能力。其次,提出一种基于外观变化系数的自适应模板更新策略,通过计算外观变化系数,自适应进行模板更新,提升了跟踪网络处理目标变化的能力。最后,根据搜索区域图像特征响应图计算最大置信分数,确定目标位置。仿真实验结果表明,所提算法能够有效提升无人机目标跟踪的精度,具有较好的鲁棒性。

关键词： 计算机视觉   深度学习   电力无人机巡检  

摘要： 随着电力系统智能化升级,电力无人机巡检逐步成为输电线路运维的重要手段。本文围绕人工智能(AI)与无人机技术融合展开研究,重点探讨计算机视觉、深度学习、多模态感知等AI关键技术在图像识别、缺陷检测与设备状态分析中的应用方式。基于云边协同架构设计智能巡检系统,实现数据高效采集、实时处理与智能判别,以期推动电力巡检向自动化、智能化发展。

关键词： 飞行员模型   飞行员人在回路仿真试验   混合优化算法   方差分析   直升机-飞行员耦合系统   参数辨识  

摘要： 飞行员驾驶直升机完成目标跟踪任务时,可以通过视觉和运动等线索感知当前飞行状态从而产生相应的控制行为。为研究飞行员在不同运动反馈方式下的控制行为,在无运动反馈和有滚转角运动反馈两种情况下进行了飞行员人在回路仿真试验,并提出一种遗传算法和高斯-牛顿法的混合优化算法用于飞行员模型参数估计。通过方差分析的方法探讨了不同运动反馈方式对飞行员控制行为以及飞行员模型参数的影响。研究结果表明:利用混合优化算法得到的飞行员模型参数,能够有效表示真实的飞行员控制行为与动力学特性;在不同的运动反馈方式下,飞行员会调整其控制策略,从而提高在目标跟踪任务中的表现并调节控制活动。

关键词： 目标检测   特征融合   特征金字塔   YOLOv7-tiny   多尺度特征  

摘要： 目的YOLOv7-tiny(you only look once version 7-tiny)成为实时目标检测领域的常用方法,由于其轻量化网络架构设计和较少的参数量,整个训练过程在单个网络中进行,检测速度快且不需要使用滑动窗口或候选区域,在资源受限、实时性要求高的任务中表现优异。然而,YOLOv7-tiny在特征融合阶段存在相邻层特征融合时信息丢失和非相邻层特征信息差异两个问题。为了解决上述问题,提出一种长短程依赖特征金字塔网络LSRD-FPN(long short range dependency feature pyramid network),并基于该网络对YOLOv7-tiny方法进行改进。方法LSRD-FPN包括两个关键组成部分:局部短程依赖机制SRD(short range dependency)和全局长程依赖机制LRD(long range dependency)。局部短程依赖机制通过改进上采样方式和引入注意力机制,有效缓解了特征融合过程中信息丢失的问题;全局长程依赖机制通过引入跨层连接模块,将主干网络的多尺度特征缩放、融合并分配到检测阶段的不同层级特征。LSRD-FPN不仅增强了模型的特征表达能力,而且提升了其在多尺度目标检测任务的性能表现。结果选用两个不同场景和规模的数据集进行实验。实验结果表明,相较于YOLOv7-tiny,本文方法的mAP分别取得1.3%和0.5%的性能提升。与参数量相当的YOLOv5-s和YOLOv8-n相比,mAP指标在TDD(traffic detection dataset)数据集上分别提升2.6%和0.2%,在Cmudsodd(coal mine underground drilling site object detection dataset)数据集上分别提升2.1%和4.4%。结论本文提出的长短程依赖特征金字塔网络解决了YOLOv7-tiny在特征融合阶段存在的相邻层特征融合时信息丢失问题和非相邻层特征信息差异问题,提升了YOLOv7-tiny方法的检测性能,并优于两种参数量相当的方法YOLOv5-s和YOLOv8-n。

关键词： 应力分布   弹道冲击   聚类算法   计算机视觉   有限元分析  

摘要： 为探究不同聚类算法在处理有限元结果应力云图时的表现，研究建立了单层Twaron?平纹织物弹道冲击有限元模型，以其应力分布结果图像为例，采用k-means、GMM、Mean-shift、DBSCAN4种不同的聚类算法对应力云图进行聚类处理和结果对比分析。研究结果表明：Mean-shift和DBSCAN聚类算法并不适用于处理大量有限元应力云图；k-means和GMM聚类算法相较于传统手动处理效率提升了74.24倍和172.64倍，但GMM聚类算法在图像色彩无明显区分时会产生误差。k-means聚类算法在保证高效的同时，误差仅在0.85%以内，因此，k-means聚类算法是这4种算法中最适用于大量应力云图的快速、客观、定量的分析。使用该方法测量出单层Twaron?平纹织物在受到冲击的1～15 μs内，0～600 MPa应力区间面积减小，应力面积变化速率为5.61×107mm2/s；600～1200 MPa应力区间面积增大，应力面积变化速率为5.27×107mm2/s。

关键词： 伪装目标检测   深度感知   RGB-D融合   交叉细化   跨模态学习  

摘要： 伪装目标因在纹理、颜色等视觉属性上与背景高度相似，致使RGB图像易受干扰，难以准确分辨目标位置，常导致分割结构不完整甚至目标缺失，从而影响检测性能。为解决该问题，提出一种RGB-D双流镜像伪装目标检测网络——RDMNet(RGB-D Dual-stream Mirror Network)。首先，采用TransNeXt和Vision Mamba组成的混合主干提取特征，降低模型参数，并设计多模态特征融合模块(MFF)，利用RGB和深度信息融合，增强深度特征。其次，设计一个深度定位模块(DPM)和一个定位引导完整性特征聚合模块(PGA)，深度定位模块生成完整的轮廓定位特征，辅助定位引导完整性特征聚合模块快速地定位伪装目标，高效地预测出完整的分割特征。两者交叉细化融合，既关注伪装目标的整体结构，又不断细化分割特征和轮廓定位特征。最后，设计卷积门控通道注意模块(CCA)，提取低层特征中的结构细节。实验结果显示，RDMNet在COD和RGB-D SOD数据集上优于当前15个具有代表性的模型，在CAMO、COD10K和NC4K数据集上，与MVGNet(Multi-View Guided Network)相比，在结构相似性度量(s-measure)、平均增强对齐度量(mean e-measure)、精度和召回率的加权平均值(weighted f-measure)和平均绝对误差(mean absolute error)方面的性能分别平均提升了1.9%、4.7%、3.1%和17.5%。实验结果表明，RDMNet在伪装目标检测中能够有效提高分割的完整性和准确性。

关键词： 混响抑制   空时自适应处理   稀疏恢复   低速目标检测  

摘要： 运动平台有源声呐执行非合作目标探测任务时，目标常被淹没在混响中，声呐平台运动产生的空时耦合效应会进一步降低运动目标的检测性能；复杂多变的水下混响和干扰环境难以获得足够的独立同分布训练样本，导致传统空时自适应处理（STAP）方法性能急剧下降。为此，提出了一种使用加权稀疏恢复的运动声呐混响抑制与低速目标检测方法，在压缩感知框架下恢复目标的高分辨空时谱，实现强混响和噪声背景下低速目标检测及参数估计。该方法仅利用待检测单元数据，避免了辅助数据或先验知识缺失对混响抑制带来的影响。通过稀疏STAP方法估计权向量并构建加权稀疏优化问题，在优化过程中实现混响/噪声的抑制和目标的增强。算法设计了低复杂度的优化求解方法，大大提高了算法的运算效率和实用性。仿真及湖上试验结果验证了该方法的优越性。

关键词： 卷积神经网络   注意力机制   木材分类   动态卷积   多分支   计算机视觉   图像识别   轻量型  

摘要： 针对木材图像切面分类问题，文中提出了一种多令牌混合的木材切面图像分类算法MixNet，重点关注木材切面几何结构、统计特性、纹理、边缘等信息的准确辨识。MixNet结合了卷积神经网络(Convolutional Neural Network， CNN)的局部归纳偏置能力和变换器（Transformer）的全局上下文依赖能力，引入动态卷积自适应调整感受野尺寸，在不同层次上捕捉图像特征。引入双层注意力机制来捕捉图像深层语义信息和全局空间信息，并且跨空间学习不同位置多尺度特征，提高全局信息的敏感性，进一步增强算法的识别能力。实验结果表明，MixNet在CIFAR100和CIFAR10公共数据集进行图像分类任务的最高识别准确率分别为72.32%和93.64%，参数量为40.69 MB，比TransNeXt分别高0.38百分点和1.38百分点。MixNet精度低于EfficientNet，但MixNet参数和计算量更小，计算成本更低。MixNet应用于Wood＿data数据集的分类精度最高为99.92%。MixNet集成CNN和Transformer的特征提取优势，其是一种有效的木材分类算法。

关键词： 集群目标检测   深度学习   特征融合   海上低空目标   双通道网络   注意力机制  

摘要： 针对海上低空环境下集群目标检测问题，本文提出一种门控交叉注意力与双向特征金字塔的多特征融合检测网络（GCAB-MFF Detector），以应对复杂海况、非高斯杂波干扰及雷达回波非线性特性带来的挑战。该网络通过双通道架构分别提取目标距离维与距离-多普勒维特征，并利用门控交叉注意力模块（GCAF）建模跨模态特征关联；进一步引入双向特征金字塔（BiFPN），通过加权多尺度融合与语义一致性优化，实现多层次特征的高效整合，最终同步输出目标存在性检测与集群规模分类结果。实验结果表明，在自建数据集上，GCAB-MFF检测器检测率达99.92%，规模分类准确率为92.56%，较传统CFAR方法（检测率<89%）、传统分类网络（分类精度<86%）有显著提升，验证了其在海上低空场景下的鲁棒性与实用性。

关键词： 光伏组件   目标检测   嵌入式系统   YOLOv11   轻量特征提取网络   内容感知重组特征模块   二阶通道注意力机制  

摘要： 针对当前光伏组件缺陷检测实时性低下以及复杂背景与缺陷尺度多变导致的误检、漏检问题，提出一种SOCANet检测算法。首先，采用DWConv替换Conv构建轻量特征提取网络（Lightweight feature extraction network，LFEN），通过计算特征图的协方差矩阵，捕捉通道间的相关性以改善模型的特征提取效率，进而提高检测速度。随后，采用内容感知重组特征模块（Content-Aware ReAssembly of FEatures，CARAFE）优化模型的上采样阶段，扩展感受野整合输入特征图信息，增强对多尺度目标识别能力。最后，设计二阶通道注意力机制（Second-Order Channel Attention，SCA），通过计算特征图协方差矩阵来捕获通道之间相关性，增强模型特征深度表达和判别能力，从而降低因背景噪音对算法造成的干扰。实验结果表明，SOCANet在光伏组件缺陷检测数据集上PmA达到95.3%，且FFPS达到92.9，显著优于其它7种主流检测算法。同时，嵌入式实验表明，SOCANet在算力受限的场景下仍满足光伏组件缺陷检测的高实时性需求。